Disasters have a major impact on several sectors, such as infrastructure, manufacturing, tourism and transportation. One way to prepare for or improve disaster preparedness is to implement preventive measures. Preventive actions can be taken by identifying disasters in each area from past data. This study aims to map areas affected by disasters to facilitate disaster preparedness programs. The data used in this research are areas of West Java that will be affected by the disaster in 2022 from January to October. The disaster data used in this study are floods, landslides, abrasion, tornadoes, droughts, fires, earthquakes and tsunamis. Research to use data mining techniques, namely grouping techniques. The clustering algorithm used in this study is the K-means cluster. The clustering process was carried out several times to find out the comparison of the quality of the grouping results which in this study used the Within Cluster Sum of Squares (WSS). The best WSS value is when the number of k or the number of clusters is 5, which is 89.8%. This research is expected to be a reference for disaster preparedness. This research also produced disaster grouping maps, where each cluster has different characteristics or types of disaster.

Investasi emas merupakan hal yang umum dilakukan oleh masyarakat pada saat ini. Harga emas adalah salah satu hal penting yang menjadi fokus utama dalam melakukan investasi emas yang perlu akurasi ketepatan prediksi baik dalam kurun waktu minggu, hari ataupun tahun sehingga mampu memudahkan untuk menggunakan prediksi tersebut dalam berinvestasi baik untuk membeli atau menjual emas tersebut. Aplikasi berbasis web dengan implementasi algoritma time series forecasting ini dibangun untuk memudahkan dalam prediksi harga emas dengan menggunakan metode pemulusan moving average simple exponential smoothing hingga holt’s exponential dan holt’s winter’s exponential smoothing. Metode penelitian yang digunakan pada rancang bangun aplikasi berbasis web ini menggunakan metode prototype dari pengumpulan atau analisa kebutuhan sistem, membangun  prototyping, mengkodekan sistem, evaluasi sistem, pengujian sistem hingga penggunaan sistem. Implementasi menggunakan algoritma pemulusan time-series forecasting yaitu menggunakan dataset yang diambil dari application programming interface (API) https://metalpriceapi.com dengan jumlah data harga emas yang digunakan sejumlah 872 data yang dilakukan pengujian akurasi menggunakan mean absolute percentage error (MAPE) untuk menguji akurasi data aktual dan prediksi dari ketiga algoritma tersebut yaitu dengan menghasilkan 5,517 % untuk metode simple exponential smoothing, 4,93 % pada metode holt’s exponential smoothing, dan 2,78 % untuk holt’s winter’s exponential smoothing. Penggunaan algoritma holt’s-winter’s menghasilkan akurasi yang lebih baik dari kedua algoritma sebelumnya dengan persentase akurasi yang baik berdasarkan pengujian akurasi mean absolute percentage error dengan nilai pengujian kurang dari 5 %.

Pemanfaatan tenaga kesehatan pada daaerah minim resiko dapat menjadi solusi untuk membantu daerah dengan resiko penyebaran COVID-19 tinggi. Pemilihan daerah resiko rendah dapat dilakukan dengan mengukur tingkat resiko pada suatu daerah. Salah satu solusinya yaitu dengan memanfaatkan algoritme skyline query. Skyline query mampu merekomendasikan daerah-daerah mana yang potensial dijadikan sebagai daerah pembantu tenaga kesehatan. Skyline query mampu menghasilkan suatu model rekomendasi untuk penentuan daerah pembantu tenaga kesehatan namun, pada proses pembacaan informasi perlu dilakukan ekstraksi. Ekstraksi dilakukan dengan mengembangkan sistem untuk visualisasi skyline query sebagai sistem rekomendasi bantuan tenaga kesehatan. Penelitian ini mengembangkan sistem visualisasi dengan menggunakan hybrid approach yaitu menggabungkan metode Rapid GIS Development Cycle (RGDC) dan Navigational Development Techniques (NDT). Sistem dikembangkan dengan menggunakan R dan library shiny, ggplot2, rpref dan leaflet. Sistem dapat bekerja sebagaimana yang diharapkan seperti, menampilkan peta daerah yang direkomendasikan menjadi daerah pembantu, visualisasi data dengan ggplot dan visualisasi pengujian dominasi pada skyline query.

Lecturers are required to carry out the Tri Dharma, one of which is research. In the research process a lecturer sometimes encounters several obstacles. Some of the factors that become obstacles include incentives related to publication costs and the unavailability of appropriate journal references. Several ways to overcome obstacles in the publication process have been carried out, but there are still problems with lecturers being confused about publishing their scientific work in a journal. This obstacle is due to the absence of a journal selection recommendation system. This study recommends journals based on the scope of the journal, the number of editions of the journal, and the cost of publication of the journal. The recommendation process is carried out using a skyline query algorithm, namely Block-nested loop (BNL). BNL works by comparing domination between objects on an attribute. The object, in this case the journal, is recommended if the journal dominates several attributes or at least one attribute. This study also developed a visualization of journal recommendations in the form of a web-based application. This visualization is expected to facilitate the journal recommendation process to users, so that it can help find journals that are in accordance with the papers to be published in a journal.